局部信息方法在功能腦網(wǎng)絡(luò)建模中的應(yīng)用研究.pdf

1、近年來，隨著研究的深入，腦網(wǎng)絡(luò)已經(jīng)成為了熱點領(lǐng)域。腦網(wǎng)絡(luò)由結(jié)構(gòu)腦網(wǎng)絡(luò)與功能腦網(wǎng)絡(luò)兩部分組成，并且二者之間有著密不可分的關(guān)系。人們對腦網(wǎng)絡(luò)進行研究，其主要關(guān)注點在于結(jié)構(gòu)腦網(wǎng)絡(luò)與功能腦網(wǎng)絡(luò)的拓撲特性以及屬性分析。腦網(wǎng)絡(luò)是一個非常復(fù)雜的系統(tǒng)。在人腦中，神經(jīng)元數(shù)量達數(shù)十億之多，規(guī)模非常龐大。并且，神經(jīng)元的連接還存在著不同的行為、認知模式。目前人們對腦網(wǎng)絡(luò)的研究有神經(jīng)元級別、體素級別以及腦區(qū)級別等不同的研究層面。有研究顯示，當腦區(qū)劃分達到4000

2、個時，其計算量已經(jīng)超出了目前的計算能力。由此可見，對功能腦網(wǎng)絡(luò)的研究在很大程度上依賴于科學(xué)計算。正是由于計算量問題，許多學(xué)者開始尋求利用模擬仿真的方法來研究功能腦網(wǎng)絡(luò)的拓撲屬性，腦網(wǎng)絡(luò)建模這一熱點問題也就應(yīng)運而生了。
　　隨著腦網(wǎng)絡(luò)建模研究的不斷發(fā)展，人們已經(jīng)嘗試過基于很多網(wǎng)絡(luò)特性的建模方法，并已取得了一定的成果。在功能腦網(wǎng)絡(luò)建模領(lǐng)域，經(jīng)過大量的研究證實，結(jié)構(gòu)度在預(yù)測功能腦網(wǎng)絡(luò)特性方面具有很大的優(yōu)勢。也有一些研究將解剖距離作為功能

3、連接的一個參數(shù)，也取得了一定的效果。還有一些研究將節(jié)點的共同鄰居（Common Neighbor，CN）作為節(jié)點相似度指標用于模擬功能連接，并經(jīng)過證實，基于共同鄰居的建模結(jié)果非常好。至于建模所采用的數(shù)學(xué)模型，目前主流的模型是將腦網(wǎng)絡(luò)的結(jié)構(gòu)特性與功能特性分別作為建模的變量來模擬功能連接。經(jīng)過大量的調(diào)研，本文最終也沿用了基于結(jié)構(gòu)特性與功能特性的數(shù)學(xué)模型。
　　本文的主要創(chuàng)新工作有以下幾點：
　　第一，將鏈路預(yù)測方法中所采用的局部

4、信息指標應(yīng)用到功能腦網(wǎng)絡(luò)建模中。鏈路預(yù)測中的局部信息指標指的是根據(jù)節(jié)點的相似度來對節(jié)點之間是否存在連接進行預(yù)測。先前研究曾將節(jié)點的共同鄰居作為節(jié)點相似性指標用于功能腦網(wǎng)絡(luò)建模。本文經(jīng)過調(diào)研發(fā)現(xiàn)，共同鄰居就是一個最典型的局部信息指標。而且，除了共同鄰居之外，還有很多局部信息指標存在，如果將這些指標用于建模，是否也能取得與共同鄰居一樣甚至更好的效果呢？本文根據(jù)鏈路預(yù)測精確度篩選出了8個指標，并將其用于預(yù)測功能腦網(wǎng)絡(luò)的連接。局部信息指標的計算

5、方式其實是有所不同的。有的指標是基于節(jié)點的度計算得到的，有的則是基于共同鄰居計算得到的，而還有的指標是既要考慮節(jié)點的度，又要考慮共同鄰居。因此，本文將局部信息指標分為3種類型：基于共同鄰居的指標；基于節(jié)點的度的指標；將二者相結(jié)合的指標。本文重點研究了究竟哪類指標對功能腦網(wǎng)絡(luò)建模的適用度最高。
　　第二，提出了一種基于腦網(wǎng)絡(luò)屬性之間相對誤差的網(wǎng)絡(luò)相似度評價方法。在腦網(wǎng)絡(luò)領(lǐng)域，公認的網(wǎng)絡(luò)性能的評價指標是腦網(wǎng)絡(luò)的全局與局部屬性。全局屬性

6、，如特征路徑長度，全局效率等；局部屬性，如聚合系數(shù)，局部效率等。腦網(wǎng)絡(luò)屬性從本質(zhì)上說是衡量網(wǎng)絡(luò)通信效率的指標。在計算腦網(wǎng)絡(luò)屬性時，采用的是圖論中的節(jié)點和邊的概念。并且，腦網(wǎng)絡(luò)屬性都是復(fù)雜網(wǎng)絡(luò)領(lǐng)域所采用的網(wǎng)絡(luò)分析指標。但是對于網(wǎng)絡(luò)相似度，目前腦網(wǎng)絡(luò)領(lǐng)域尚沒有一個權(quán)威的評價方法。本文結(jié)合腦網(wǎng)絡(luò)實際問題提出了一種新的相似度的量化指標。在本文提出的相似度計算方法中，利用相對誤差的絕對值來衡量各個模型網(wǎng)絡(luò)的屬性與真實網(wǎng)絡(luò)屬性的差異程度，并將各個屬

7、性的相對誤差的絕對值相加，給出了一個綜合多種腦網(wǎng)絡(luò)屬性的整體相似度評價指標。事實上，相對誤差越大，說明網(wǎng)絡(luò)的差異越大，所以更確切地說，相對誤差衡量的是網(wǎng)絡(luò)的差異程度而不是相似度。因此，本文沿用了先前研究中的 E值形式，將多種腦網(wǎng)絡(luò)屬性的相對誤差值作為分母，使得E值越大，網(wǎng)絡(luò)的相似度越高。
　　第三，提出了一種基于鏈路預(yù)測精確度的快速判斷建模效果的方法。腦網(wǎng)絡(luò)建模非常復(fù)雜，包括前期的數(shù)據(jù)采集，數(shù)據(jù)預(yù)處理，以及后續(xù)的功能腦網(wǎng)絡(luò)構(gòu)建，網(wǎng)

8、絡(luò)屬性的計算以及網(wǎng)絡(luò)相似度的評價等。完成腦網(wǎng)絡(luò)建模需要付出大量的時間和計算成本。本文根據(jù)局部信息指標在鏈路預(yù)測實驗中的表現(xiàn)提出了一種快速判斷建模效果的方法（實驗假設(shè)）：假設(shè)局部信息指標在鏈路預(yù)測實驗中精確度越高，則越適合用于功能腦網(wǎng)絡(luò)建模。為了驗證該假設(shè)，本文將網(wǎng)絡(luò)相似度E值與鏈路預(yù)測精確度指標PrecisionPower進行了關(guān)聯(lián)分析。結(jié)果顯示，二者之間存在顯著的線性關(guān)系，說明假設(shè)成立，我們可以根據(jù)鏈路預(yù)測精確度的數(shù)值大小來對局部信息